摘要

人体姿态估计方法在处理单个个体时表现出色，但在多个身体靠近的情况下却面临挑战。以往的研究通过利用检测到的边界框或关键点来解决这一问题，但忽略了实例掩码的作用。我们提出了一种迭代方法，以强制边界框、实例掩码和姿态之间的相互一致性。所引入的边界框-掩码-姿态（BBox-Mask-Pose, BMP）方法使用了三个专门的模型，在闭环中互相改进输出结果。所有模型都经过了相互条件适应，从而提高了多体场景中的鲁棒性。MaskPose 是一种新的基于掩码的姿态估计模型，在自上而下的方法中在 OCHuman 数据集上的表现最佳。BBox-Mask-Pose 在 OCHuman 数据集的所有三项任务——检测、实例分割和姿态估计中均达到了最先进的水平，并且在 COCO 姿态估计任务中也取得了最佳性能。该方法特别适用于大量实例重叠的场景，在这些场景中，它将检测性能提升了 39%。通过使用小型专用模型并加快运行速度，BMP 成为了大型以人为中心的基础模型的有效替代方案。代码和模型可在 https://MiraPurkrabek.github.io/BBox-Mask-Pose 获取。